导读:本文包含了小波神经网络组合预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:短时交通流预测,灰色关联分析法,整合移动平均自回归,遗传粒子群优化小波神经网络
小波神经网络组合预测模型论文文献综述
殷礼胜,唐圣期,李胜,何怡刚[1]（2019）在《基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测》一文中研究指出针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。(本文来源于《电子与信息学报》期刊2019年09期）
杨进,陈亮[2]（2018）在《基于小波神经网络与ARIMA组合模型在股票预测中的应用》一文中研究指出为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.(本文来源于《经济数学》期刊2018年02期）
彭欣怡,于国荣,张代青[3]（2015）在《不同组合小波神经网络模型对径流预测的适用性》一文中研究指出针对水文时间序列的非平稳性特征,以长江叁峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析(WA)与BP神经网络和径向基函数神经网络(RBF)耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明:组合模型预测成果的精度较单一模型显着提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。(本文来源于《人民长江》期刊2015年24期）
沈哲辉,黄腾,葛文,孟庆年[4]（2015）在《基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用》一文中研究指出监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。(本文来源于《测绘工程》期刊2015年11期）
杜拉,纪昌明,李荣波,张验科[5]（2015）在《基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用》一文中研究指出采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。(本文来源于《中国农村水利水电》期刊2015年07期）
季彦婕,陈晓实,王炜,胡波[6]（2016）在《基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测》一文中研究指出基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。(本文来源于《吉林大学学报(工学版)》期刊2016年02期）
Phanthavong,Tulaxay[7]（2015）在《基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用》一文中研究指出中长期径流预报方法一直是国内外研究的热点和难点,从传统的成因分析方法、水文统计法、时间序列分析方法等,发展到现代的人工神经网络、小波理论、灰色系统和混沌理论等,各方法因其机理与适用环境不同而各具优势。另外,随着水电站在电网系统的作用日益显着,以及水电站在电网系统的调度与运行日益复杂,继续深入研究中长期径流预报方法、补充和完善相关理论与方法,以合理、有效地提高中长期径流预报的精度,并在此基础上形成指导水库运行的调度策略,具有重要的理论意义和应用前景。本文主要完成如下两部分工作：(1)采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,将其应用于老挝Namngum水库月径流量预测中。该模型有效提高了预测精度；此外,同时相对于确定性水文预报方法而言,组合预测模型可定量地、以分布函数形式描述水文预报的不确定度,为后续水库调度提供了更多、更全面的信息。(2)以Namngum水电站为研究实例,以组合预报结果为依据,建立以发电量最大为目标函数的优化调度模型,并采用POA算法进行求解；将调度结果同现有运行方式下的结果进行对比,结果表明,应用WA-BP-BY模型预报结果可在原有基础上进一步提高Namngum水电站水库的发电效益,可为今后水电站水库发电计划制定提供参考依据。(本文来源于《华北电力大学》期刊2015-03-01）
陶猛,徐淑琴[8]（2013）在《时间序列小波神经网络组合模型在年降雨量预测中的应用》一文中研究指出在研究了降雨量特性的基础上提出了一种新型的组合预测模型即时间序列-小波神经网络模型(ARWNN)。以858农场为例,先利用时间序列模型对降雨量进行拟合,并将拟合结果作为小波神经网络的输入进行建模分析,并建立时间序列AR模型和小波神经网络模型与之比较,通过精度检验和对比分析结果表明,组合模型对降雨量的拟合及预测精度均较高。(本文来源于《节水灌溉》期刊2013年12期）
郭云开,崔晓如,李亮[9]（2010）在《基于小波神经网络组合模型的高填方路基沉降预测》一文中研究指出利用小波变换良好的时频局域化性质和神经网络的自学习功能,结合S型成长曲线模型,建立了基于小波神经网络的高速公路高填方路基沉降预测模型,该模型的应用避免了计算过程中各种人为因素的影响.通过对汝(城)郴(州)高速公路K59+375~K59+445高路堤沉降现场监测数据的学习、预测与检验,并与S型成长曲线模型和BP神经网络的预测结果相比较,结果表明,组合模型的预测精度高,与实际情况相吻合.(本文来源于《长沙理工大学学报(自然科学版)》期刊2010年02期）
谢国权,戚蓝,曾新华[10]（2006）在《基于小波和神经网络拱坝变形预测的组合模型研究》一文中研究指出传统方法只能近似地描述拱坝变形与各影响因子之间的关系.文章以小波变换提取影响大坝变形的主要影响因子———温度与水位的有效信息和大坝变形信息一起作为输入,实测变形值作为输出,通过对模型的合理优化和有效的数据处理,成功建立了拱坝变形的BP监控预测分析网络模型.通过模型的运算,得出了满意的结果,并且模型的预测精度较高.(本文来源于《武汉大学学报(工学版)》期刊2006年02期）
小波神经网络组合预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小波神经网络组合预测模型论文参考文献
[1].殷礼胜,唐圣期,李胜,何怡刚.基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J].电子与信息学报.2019
[2].杨进,陈亮.基于小波神经网络与ARIMA组合模型在股票预测中的应用[J].经济数学.2018
[3].彭欣怡,于国荣,张代青.不同组合小波神经网络模型对径流预测的适用性[J].人民长江.2015
[4].沈哲辉,黄腾,葛文,孟庆年.基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用[J].测绘工程.2015
[5].杜拉,纪昌明,李荣波,张验科.基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用[J].中国农村水利水电.2015
[6].季彦婕,陈晓实,王炜,胡波.基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测[J].吉林大学学报(工学版).2016
[7].Phanthavong,Tulaxay.基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用[D].华北电力大学.2015
[8].陶猛,徐淑琴.时间序列小波神经网络组合模型在年降雨量预测中的应用[J].节水灌溉.2013
[9].郭云开,崔晓如,李亮.基于小波神经网络组合模型的高填方路基沉降预测[J].长沙理工大学学报(自然科学版).2010
[10].谢国权,戚蓝,曾新华.基于小波和神经网络拱坝变形预测的组合模型研究[J].武汉大学学报(工学版).2006
标签：短时交通流预测; 灰色关联分析法; 整合移动平均自回归; 遗传粒子群优化小波神经网络;